stress1 = pd.read_csv('Stress1EvapoTranspiration_PMFAO_2.csv',skiprows=6, sep=',', parse_dates=[0], na_values=-9999,usecols=[1,2])
stress1.columns = ['Datetime','EvapoTranspiration']
stress2 = pd.read_csv('Stress2EvapoTranspiration_PMFAO_2.csv',skiprows=6, sep=',', parse_dates=[0], na_values=-9999,usecols=[1,2])
stress2.columns = ['Datetime','EvapoTranspiration']
stress3 = pd.read_csv('Stress3EvapoTranspiration_PMFAO_2.csv',skiprows=6, sep=',', parse_dates=[0], na_values=-9999,usecols=[1,2])
stress3.columns = ['Datetime','EvapoTranspiration']
fig = px.line()
fig.add_trace(go.Scatter(x=pot['Datetime'], y=pot['EvapoTranspiration'], mode='lines', name='Potential ET'))
fig.add_trace(go.Scatter(x=stress1['Datetime'], y=stress1['EvapoTranspiration'], mode='lines', name='Radiation Stress ET'))
fig.add_trace(go.Scatter(x=stress2['Datetime'], y=stress2['EvapoTranspiration'], mode='lines', name='Vapour pressure deficit Stress ET'))
fig.add_trace(go.Scatter(x=stress3['Datetime'], y=stress3['EvapoTranspiration'], mode='lines', name='Temperature Stress ET'))
fig.add_trace(go.Scatter(x=act['Datetime'], y=act['EvapoTranspiration'], mode='lines', name='Actual ET'))
fig.update_layout(
title='Penman-Monteith EvapoTranspiration applying stress factors one by one',
xaxis_title="Time",
yaxis_title="EvapoTranspiration [mm]",)
fig.update_layout(yaxis_range=[-0.1, 1.1])
fig.update_xaxes(rangeslider_visible=True)
fig.show()
act3 = pd.read_csv('ActualEvapoTranspiration_PMFAO_3.csv',skiprows=6, sep=',', parse_dates=[0], na_values=-9999,usecols=[1,2])
act3.columns = ['Datetime','EvapoTranspiration']
fig = px.line()
fig.add_trace(go.Scatter(x=act3['Datetime'], y=act3['EvapoTranspiration'], mode='lines', name='broccoli'))
fig.add_trace(go.Scatter(x=act['Datetime'], y=act['EvapoTranspiration'], mode='lines', name='pistacchio'))
fig.update_layout(
title='Penman-Montheith EvapoTranspiration of two different coltures compared',
xaxis_title="Time",
yaxis_title="EvapoTranspiration [mm]",)
fig.update_xaxes(rangeslider_visible=True)
fig.show()
Il grafico mostra chiaramente l'impatto che il tipo di coltura ha sull'evapotraspirazione totale, dato che le piante usate come esempio producono valori molto diversi fra loro.
pt = pd.read_csv('ActualEvapotranspiration_PT_2.csv',skiprows=6, sep=',', parse_dates=[0], na_values=-9999,usecols=[1,2])
pt.columns = ['Datetime','EvapoTranspiration']
fig = px.line()
fig.add_trace(go.Scatter(x=pt['Datetime'], y=pt['EvapoTranspiration'], mode='lines', name='PT'))
fig.add_trace(go.Scatter(x=act['Datetime'], y=act['EvapoTranspiration'], mode='lines', name='PM'))
fig.update_layout(
title='Compare Priestley - Taylor and Penman - Monteith FAO EvapoTranspiration',
xaxis_title="DateTime",
yaxis_title="EvapoTranspiration [mm]",
font=dict(size=12))
fig.update_xaxes(rangeslider_visible=True)
fig.show()
Il modello di Penman-Montheith tiene in considerazione più fattori rispetto a quello di Prestley-Taylor e quindi l'evapotraspirazione calcolata è leggermente minore. Si nota una maggiore incisività del contenuto d'acqua del terreno, che segue un andamento sinusoidale.